flowchart TB A(Daten einlesen) --> B(Übersicht verschaffen) --> C(Namen brauchbar machen) --> D(Ergeben die Daten Sinn?) --> E(Skalenwerte berechnen) --> F(zweifaktorielle ANOVA) --> G(Ergebnis berichten)
Auswertung Emprischer Daten
flowchart TB A(Daten einlesen) --> B(Übersicht verschaffen) --> C(Namen brauchbar machen) --> D(Ergeben die Daten Sinn?) --> E(Skalenwerte berechnen) --> F(zweifaktorielle ANOVA) --> G(Ergebnis berichten)
Erzielen Hunde oder Katzen mehr Likes, wenn sie auf unterschiedlichen
Social-Media-Plattformen präsentiert werden?
ae_anova_two_way_bet.csv
flowchart TB A(Daten einlesen) --> B(Übersicht verschaffen) --> C(Namen brauchbar machen) --> D(Ergeben die Daten Sinn?) --> E(Skalenwerte berechnen) --> F(zweifaktoriell ANOVA) --> G(Ergebnis berichten) style A fill: #009e73
flowchart TB A(Daten einlesen) --> B(Übersicht verschaffen) --> C(Namen brauchbar machen) --> D(Ergeben die Daten Sinn?) --> E(Skalenwerte berechnen) --> F(zweifaktoriell ANOVA) --> G(Ergebnis berichten) style B fill: #009e73
| id | age | gen | ani | smp | likes |
|---|---|---|---|---|---|
| 1 | 29 | 0 | 0 | 1 | 83 |
| 2 | 19 | 1 | 0 | 0 | 123 |
| 3 | 27 | 1 | 0 | 0 | 129 |
| 4 | 18 | 0 | 1 | 1 | 127 |
| 5 | 26 | 0 | 1 | 0 | 84 |
| 6 | 19 | 0 | 0 | 0 | 130 |
flowchart TB A(Daten einlesen) --> B(Übersicht verschaffen) --> C(Namen brauchbar machen) --> D(Ergeben die Daten Sinn?) --> E(Skalenwerte berechnen) --> F(zweifaktoriell ANOVA) --> G(Ergebnis berichten) style C fill: #009e73
flowchart TB A(Daten einlesen) --> B(Übersicht verschaffen) --> C(Namen brauchbar machen) --> D(Ergeben die Daten Sinn?) --> E(Skalenwerte berechnen) --> F(zweifaktoriell ANOVA) --> G(Ergebnis berichten) style D fill: #009e73
flowchart TB A(Daten einlesen) --> B(Übersicht verschaffen) --> C(Namen brauchbar machen) --> D(Ergeben die Daten Sinn?) --> E(Skalenwerte berechnen) --> F(zweifaktoriell ANOVA) --> G(Ergebnis berichten) style E fill: #009e73
flowchart TB A(Daten einlesen) --> B(Übersicht verschaffen) --> C(Namen brauchbar machen) --> D(Ergeben die Daten Sinn?) --> E(Skalenwerte berechnen) --> F(zweifaktorielle ANOVA) --> G(Ergebnis berichten) style F fill: #009e73
Voraussetzungen
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
group 3 1.7991 0.1468
396
keine Varianzhomogenität gegeben!
aber bei dieser großen Stichprobe unproplematisch!
Graphisch
Graphisch
bei dieser Stichprobengröße wird der Voraussetzungstest “immer” signifikant
Anova Table (Type III tests)
Response: likes
Sum Sq Df F value Pr(>F)
(Intercept) 1605796 1 13816.41 < 2.2e-16 ***
ani_f 41530 1 357.32 < 2.2e-16 ***
smp_f 45723 1 393.40 < 2.2e-16 ***
ani_f:smp_f 78148 1 672.39 < 2.2e-16 ***
Residuals 46025 396
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Effect Size for ANOVA (Type III)
Parameter | Eta2 (partial) | 95% CI
-------------------------------------------
ani_f | 0.47 | [0.42, 1.00]
smp_f | 0.50 | [0.44, 1.00]
ani_f:smp_f | 0.63 | [0.59, 1.00]
- One-sided CIs: upper bound fixed at [1.00].
… werden auch Simple-Effects gennant
… werden auch Simple-Effects gennant
smp_f = Instagramm:
contrast estimate SE df t.ratio p.value
Hund - Katze 28.8 1.52 396 18.903 <.0001
smp_f = TikTok:
contrast estimate SE df t.ratio p.value
Hund - Katze -27.1 1.52 396 -17.768 <.0001
Vertauschen der UVs
ani_f = Hund:
contrast estimate SE df t.ratio p.value
Instagramm - TikTok 30.2 1.52 396 19.834 <.0001
ani_f = Katze:
contrast estimate SE df t.ratio p.value
Instagramm - TikTok -25.7 1.52 396 -16.837 <.0001
Effektstärken
Effektstärken
smp_f = Instagramm:
contrast effect.size SE df lower.CL upper.CL
Hund - Katze 2.68 0.171 396 2.34 3.02
smp_f = TikTok:
contrast effect.size SE df lower.CL upper.CL
Hund - Katze -2.52 0.168 396 -2.85 -2.19
sigma used for effect sizes: 10.75
Confidence level used: 0.95
Recap eff_size()
Was bedeuten die Argumente
Anova Table (Type III tests)
Response: likes
Sum Sq Df F value Pr(>F)
(Intercept) 1605796 1 13816.41 < 2.2e-16 ***
ani_f 41530 1 357.32 < 2.2e-16 ***
smp_f 45723 1 393.40 < 2.2e-16 ***
ani_f:smp_f 78148 1 672.39 < 2.2e-16 ***
Residuals 46025 396
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
flowchart TB A(Daten einlesen) --> B(Übersicht verschaffen) --> C(Namen brauchbar machen) --> D(Ergeben die Daten Sinn?) --> E(Skalenwerte berechnen) --> F(zweifaktorielle ANOVA) --> G(Ergebnis berichten) style G fill: #009e73
| ani_f | smp_f | M | SD |
|---|---|---|---|
| Hund | Instagramm | 126.72 | 12.08 |
| Hund | TikTok | 96.48 | 11.05 |
| Katze | Instagramm | 97.90 | 10.78 |
| Katze | TikTok | 123.57 | 8.98 |
“Die ANOVA zeigte einen signifikanten Haupteffekt des Tieres. Hundebilder bekamen mehr Likes als Katzenbilder, F(1, 343) = 357.32, p < .001, η² = 0.47, 95% CI [0.42, 1.00]. Zusätzlich zeigte die ANOVA einen Haupteffekt der Social-Media-Plattform. Die Darstellung auf Instagramm führte zu mehr Likes als auf TikTok, F(1, 343) = 393.40,
p < .001, η² = 0.50, 95% CI [0.44 , 1.00]. Die ANOVA brachte auch einen signifkanten Interaktionseffekt hervor, F(1, 343) = 672.39, p < .001, η² = 0.63, 95% CI [0.59, 1.00].
Einzelvergleiche zeigten, dass Hundebilder auf Instagramm mehr Likes erzielten, t(396) = 18.90, p < .001, d = 2.68, 95% CI [2.34, 3.02]. Auf TikTok erzielten Katzenbilder mehr Likes, t(396) = 18.90, p < .001, d = -2.52, 95% CI [-2.85, -2.19].
# Welche Farbe hätte ich denn gerne``
mf <- c("#00AFBB", "#E7B800")
# Erstellen des Plots
ds |>
ggplot(aes(x = ani_f,
y = likes,
fill = smp_f,
grou = smp_f)) +
stat_summary(geom = "errorbar",
position = position_dodge(.9),
width = 0.3) +
stat_summary(geom = "bar",
position = "dodge") +
scale_fill_manual("Social-Media-Plattform",
values = mf) +
scale_y_continuous(n.breaks = 11) +
labs(x = "",
y = "Likes") +
theme_classic(base_size = 18)